基于大数据技术的联合作战态势感知体系
2023-06-22张旭东
摘 要:联合作战条件下,战场态势信息多源异构,数据量大,更新频率高,传统的战场态势感知体系难以保证战场态势数据处理的准确性和实时性。文章基于大数据技术,结合JDL战场数据融合模型、战场态势感知PFPV模型、“OODA环”框架下战场态势感知模型,构建了数据驱动的战场态势感知模型。基于分布式计算技术和分布式存储技术,能够实现战场态势数据的高速计算、存储、检索。同时,将多种机器学习算法与JDL战场数据融合模型结合,构建了智能数据融合体系。提出了面向任务的战场态势图生成模式,可以在保证态势理解一致性的基础上满足需求的多样性。
关键词:大数据;分布式;战场态势感知;战场态势图
中图分类号:TP39;E11 文献标识码:A 文章编号:2096-4706(2023)02-0116-04
Situation Awareness System of Joint Operations Based on Big Data Technology
ZHANG Xudong
(The People's Armed Police Command College China, Tianjin 300250, China)
Abstract: Under the condition of joint operations, the battlefield situation information is multi-source and heterogeneous, and the data volume is large and the update frequency is high. It is difficult for the traditional battlefield situational awareness system to ensure the accuracy and real-time performance of battlefield situation data processing. Based on big data technology, combined with the JDL battlefield data fusion model, the battlefield situational awareness PFPV model, and the battlefield situational awareness model under the “OODA loop” framework, a data-driven battlefield situational awareness model is constructed. Based on distributed computing technology and distributed storage technology, it can achieve high-speed computing, storage and retrieval of battlefield situation data. In addition, a variety of machine learning algorithms are combined with the JDL battlefield data fusion model to construct an intelligent data fusion system. A task-oriented battlefield situation map generation mode is proposed, which can meet the diversity of needs on the basis of ensuring the consistency of situational understanding.
Keywords: big data; distribution; battlefield situational awareness; battlefield situation map
0 引 言
当前,人工智能为代表的新一代信息技术在军事领域获得了广泛应用,催生了无人作战、智能作战、算法战等多种作战样式。联合作战的作战节奏不断加快,作战样式不断变化,作战理念不断革新,指挥方式不断发展,作战维度拓展到包括陆上、海上、空中、太空、电磁、网络、认知域、社会域在内的多个维度。随着作战维度的全域化,战场态势信息呈现出信息种类丰富、信息结构复杂、信息规模庞大的特点,具有明显的大数据特征。如何运用大数據技术解决多源异构信息处理、事件关联推理、态势智能生成、局势推演预测等战场态势感知难题,辅助指挥员实时全面准确掌握战场态势,从而夺取信息优势成为各国军队关注的重点。
1 发展综述
1.1 战场态势要素
战场态势是对战场空间中敌我双方兵力分布、军事资源分布、战场环境的当前状态及发展趋势的总体描述。战场态势要素大致可以分为兵力部署与作战能力、重要动态目标、战场环境、社会环境4类,如图1所示。
1.2 战场态势感知模型及分类
1987年,Endsley提出了基于航空任务的态势感知信息处理模型,该模型分为态势元素察觉(perception)、态势理解(Comprehension)、未来态势预测(Prediction)三个层次[1]。态势元素察觉是态势感知的最底层,指获取当前环境态势元素状态、属性和特点。态势理解是指对获取到的态势信息进行特征提取、数据融合、数据分析和解释。态势预测则是基于对当前态势的分析理解对未来态势进行预测。如图2所示。
以Endsley三级态势感知模型为基础,文献[2]提出了战场态势感知PFPV模型。该模型将战场态势感知分为四个层次:感知(Perception)、融合(Fusion)、展现(Visualization)和预测(Projection),如图3所示。
文献[3]结合“OODA环”,提出了联合作战背景下战役级态势感知的概念模型,如图4所示。
按照作战行动的规模和作战指挥的层次,可将战场态势感知分为战略级战场态势感知、战役级战场态势感知、战术级战场态势感知。按照作战空间维度,可以分为陆上战场态势感知、海上战场态势感知、空中战场态势感知、太空战场态势感知、电磁战场态势感知、网络战场态势感知和认知域战场态势感知。从时间维度进行区分,则可分为过去态势分析、当前态势认知、未来态势预测。
1.3 战场态势图演进与发展
为适应信息化条件下联合作战的需求,美军在20世纪90年代提出了网络中心战(Network-Centric Warfare, NCW)概念,成为美军信息化转型的指导思想。与此同时,美军发展了与之相适应的态势图族概念——互操作作战图族(Family of Interoperable Operational Pictures, FIOP)。NCW将广域分布的传感器、指挥员、作战部队通过高速数据链和以全球信息栅格(Global Information Grid, GIG)为代表的基础通信网络联结为一个有机整体,实现战场态势和作战资源的网络化共享,加快指挥速度和作战节奏,提高部队杀伤力和生存能力。
1997年,美军提出了通用作战图(Common Operational Picture, COP)概念,通过在电子地图上实时显示不同作战单元的位置信息和运动状态,有效解决了为多个作战单元提供相同战场态势图的问题。通用作战图保证了不同作战单元对战场态势的一致理解,真正具备了辅助决策的技术能力[4]。然而,不同层次的作战人员关心的战场态势要素及其信息精度不同,对信息的时效性需求也不同,比如武器装备的火控系统对信息的时效性要求相对较高。其次,同一层次的作战人员由于职能任务不同,关心的战场态势要素也不同。针对这一问题,美军提出了用户定义作战图(User Defined Operational Picture, UDOP),使不同层次不同职能的作战人员能够根据自身需求主动提取战场态势要素,生成“个性化”战场态势图。相较于通用作战图,用户定义作战图的根本目的是既保证不同层次作战人员对战场态势的一致理解,又支持战场态势信息的“灵巧提取(smart pull)”。针对不同指挥层次,FIOP逐渐发展出3种类型的战场态势图,如图5所示。
1.4 战场态势感知的复杂性
高超音速武器、隐身飞机、电子干扰/欺骗设备、无人机蜂群、定向能武器的实战装备,给联合作战态势感知带来了巨大挑战。主要体现在三个方面。第一,高超音速武器实战应用对战场态势感知速度提出更高要求。俄军在俄乌冲突中首次使用“匕首”高超音速导弹对乌军进行打击,代表着高超音速武器正式投入实战运用,其极限速度能达到10马赫,从发射到命中目标时间极短。第二,联合作战条件下作战力量多元耦合,战术手段灵活多样,态势感知复杂性增强。无人机蜂群为代表的智能无人武器的实战运用,使作战部队的力量编成更加复杂,作战样式更为灵活。为保持体系对抗优势,美军提出了“马赛克战”概念,通过灵活组合不同功能的模块化作战要素,增强美军作战体系构建的灵活性、适应性和生存能力。同时,这种高度灵活的作战体系构建方式也极大增加了战场态势的不确定性[5]。第三,电子干扰/对抗降低了战场态势感知的准确性和可靠性。通过电子干扰/对抗手段,可以在敌方雷达上显示大量虚假目标,使敌方难以判断目标的真假,使得传统的战场态势感知手段难以准确判断敌方的兵力编成和作战意图。
2 基于大数据技术的联合作战态势感知
联合作战条件下,战场态势信息的高效融合处理、深层挖掘分析、快速存储检索是战场态势感知的关键。基于大数据技术,结合JDL战场数据融合模型、战场态势感知PFPV模型、“OODA环”框架下战场态势感知模型,构建数据驱动的战场态势感知模型,如图6所示。利用分布式存储技术和分布式计算技术提高战场态势数据的处理速度,同时在数据融合的不同层级采用多种机器学习/深度学习算法对战场态势数据进行同步处理,提高数据处理的可靠性和准确性,同时挖掘战场大数据的深层信息。
2.1 战场态势数据预处理
联合作战条件下,广域分布的多传感器、多平台获取的原始战场信息往往含有大量冗余信息和干扰信息,在数据层面表现为存在大量异常值、缺失值、冗余值,且往往存在单传感器多目标和多传感器单目标的情况。因此,需要对原始的战场态势数据进行预处理。如果判断缺失值对输出结果影响不大,可以用中位数、众数、平均数等直接替代,优点是简单,缺点是相当于人为引入噪声。除此之外,還可以用回归预测、K-最邻近法、极大似然估计对缺失值进行预测,用预测值代替真实值。对于异常值的处理,首先需要有效检测出异常值,一般可以通过3σ探测法、基于距离的聚类或者建立统计模型来对数据中的离群点进行检测。异常值既可能是偶然因素或干扰引起,也可能是敌方突然的军事行动引起,所以对异常值不能简单删除,而应该进一步分析判断。通过主成分分析等模型对原始战场态势数据进行数据降维,相当于滤除了大量无用特征,可以大大减少战场态势感知系统的数据运算量。为零级融合中的像素融合、特征提取、点迹提取等奠定基础。
2.2 战场态势数据分析与挖掘
如图6中融合层所示,通过将分布式计算技术和分布式存储技术与传统的数据融合模型相结合,可以构造分布式信息融合模型。
目标识别与分类是战场态势感知的重要基础。在融合层的第二级,基于零级融合后提取的特征,通过分类模型或聚类模型对目标的身份/属性进行识别。基于聚类模型还可按敌我属性相同、类型相近、运动状态相近、执行相同作战任务等对目标进行分群,以精简战场态势信息,降低指挥员的信息筛选量[6]。
态势估计是基于一级融合获得的战场目标信息和其他相关信息进行战场态势及其对敌我双方有利程度估计的过程。针对战场上出现的大量不完整、不精确的信息,需要采取有效的表示方法进行态势表征,并融合运用多种不确定推理模型进行态势推理,以增进指挥员对于态势的理解和预测[7]。
威胁估计是在目标识别和态势估计的基础上,基于敌我双方兵力部署、进攻/防御能力、作战企图等态势信息分析敌方作战行动对我方的威胁程度。目前,美军已经大量运用基于深度学习的智能博弈技术对作战方案进行评估。智能博弈技术通过模拟仿真对战场态势行推演,形成敌方趋势预判、我方行动构想以及战场环境趋势预报与分析等态势预测产品[8]。
通过对态势信息构建知识图谱是分析敌方作战体系特点,挖掘态势信息深层联系的关键技术。例如,美军在“海神之矛”行动中,充分运用大数据技术,从海量数据中挖掘事件之间的内在关联,形成关键线索,成功锁定了本·拉登的住所。同时,构建战场态势知识图谱对于提高战场态势感知系统的整体感知能力和生成重点突出、关联清晰的戰场态势图具有重要作用。
2.3 战场态势数据存储与计算
联合作战条件下多源异构战场大数据的高效存储和检索是困扰战场态势数据处理的难点问题。在本文设计的数据驱动的战场态势感知模型中,采用分布式计算资源和分布式存储资源为战场态势数据处理提供数据融合、数据挖掘、数据计算、数据存储和数据检索服务。其优点主要体现在四个方面。第一,分布式计算/存储可以有效提高半结构化、非结构化数据的计算/检索速度,多个任务可以并行处理,能有效提高战场态势感知的实时性;第二,分布式计算/存储使得多个模型可以同步训练,能大大提高算法模型的训练速度;第三,作战人员可以根据权限同步实时访问战场态势数据库,在高并发访问时可以有效避免访问拥堵;第四,不同层次作战人员可以根据任务需求灵活筛选战场态势数据,生成自定义战场态势图。
2.4 战场态势预测与效能评估
战场态势感知体系的持续优化需要构建战场态势感知评估系统,图6中融合层的效果估计模块负责对系统整体的作战效能进行评估。第一,通过目标识别准确率、预警有效性/虚警率、态势预测准确度等指标体系对算法模型进行评估;第二,通过毁伤效果、任务完成度等指标对敌我双方人员/装备的作战效能进行量化评估,并存入数据库,不断迭代更新数据库中相关信息,威胁估计模块可以基于敌方任务部队的历史作战数据提高量化估计的准确性。
如图6所示,预测层与展现层协同运作,实时将敌方行动估计、趋势预测等态势预测信息显示在不同层级的战场态势图中,为指挥员分析判断情况和定下作战决心提供可视化的态势信息保障。
2.5 战场态势图生成与分发
联合作战各级指挥员、指挥机构和各军兵种部队,对战场态势数据需求存在较大差异。因此,面向任务的战场态势图生成与分发成为满足需求多样性的必然选择,其逻辑架构如图7所示。既可以根据任务特点将相关数据提前组织好,并根据任务进程动态更新作战视图,也可以由用户从数据库自主筛选态势要素,生成自定义战场态势图。分布式的数据存储与计算架构使得执行同一作战任务的不同分队可以独立生成战场态势图,之后通过视图叠加形成面向任务的综合态势图,基于综合态势图,不同分队可以高效共享战场信息并进行协同标绘,从而提高协同作战效率。
3 结 论
基于大数据技术的战场态势感知体系是适应未来战争需要,打赢具有智能化特征的信息化战争的必然要求。文章分析了传统的战场态势感知模型和战场态势图演进,并指出随着高超音速武器、隐身飞机、无人机蜂群等新一代武器的实战装备,传统技术已经难以满足联合作战战场态势感知对态势数据处理的要求。针对这一问题,文章首先结合分布式计算技术、分布式存储技术和多种机器学习算法,提出了数据驱动的战场态势感知模型,能够实现战场态势数据的高速计算、存储和检索,提高战场态势感知体系的智能化水平。其次,为更好满足联合作战各级指挥员、指挥机构和各军兵种部队对战场态势图的需求多样性,提出了面向任务的战场态势图生成架构。面向任务的战场态势图生成架构使任务部队能够根据任务特点和个性化需求自主对战场态势数据进行筛选,生成自定义战场态势图。同时,不同任务分队可以通过协同标绘和视图叠加实时高效共享战场态势信息,在保证战场态势理解一致性的基础上能有效提高战场态势图生成的灵活性。
图7 面向任务的战场态势图生成
参考文献:
[1] 刘熹,赵文栋,徐正芹.战场态势感知与信息融合 [M].北京:清华大学出版社,2019.
[2] 李昌玺,于军,徐颖,等.联合作战条件下战场态势感知体系构建问题研究 [J].中国电子科学研究院学报,2018,13(6):680-684.
[3] 朱丰,胡晓峰,吴琳,等.从态势认知走向态势智能认知 [J].系统仿真学报,2018,30(3):761-771.
[4] HENGST M D,MCQUAID M,ZHU J. Impact of Time-based Visualization on Situation Awareness [C]//37th Annual Hawaii International Conference on System Sciences.Big Island:IEEE,2004:1-10.
[5] 戴静泉,李婷婷,杜蒙杉,等.联合作战态势认知技术研究现状与发展建议 [J].指挥信息系统与技术,2021,12(3):1-6.
[6] 汪跃,唐志军,车德朝,等.战场态势一张图技术综述 [J].指挥信息系统与技术,2020,11(1):12-17.
[7] 段玉先,刘昌云,魏文凤.战场态势感知关键技术研究 [J].火力与指挥控制,2021,46(11):1-11+19.
[8] 李婷婷,刁联旺.智能化态势认知技术与发展建议 [J].指挥信息系统与技术,2020,11(2):55-58.
作者简介:张旭东(1994—),男,汉族,山西长治人,助教,硕士研究生,研究方向:指挥信息化与无人化作战。
收稿日期:2022-08-28